[發明專利]一種基于異質化縮減的云狀圖像識別方法及系統

有效

• 申請號: 202011111219.0
• 申請日: 2020-10-16
• 公開（公告）號: CN112434554B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 秦小林;彭云聰;顧勇翔;羅剛;崔小莉;葛澍;候孝振;朱遙遙
• 申請（專利權）人: 中科院成都信息技術股份有限公司
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 成都創新引擎知識產權代理有限公司 51249
• 代理人: 向群

1.一種基于異質化縮減的云狀圖像識別方法，其特征在于，包括以下步驟：

S1：對待識別的云狀圖像進行預處理；其中，所述預處理包括障礙物去除和圖像增強，

所述障礙物去除包括：

由原始云狀圖像四個邊界分別朝其相對的邊界，逐行地檢測每個像素點的RGB值；若行內有像素點的RGB值位于特定區間外，則進行下一行的檢測；若行內無像素點的RGB值位于特定區間外，則將該行作為關鍵行；其中，所述特定區間為天空和云層的RGB值區間，

若存在四個關鍵行，則判斷四個關鍵行之間限定的圖像面積與原始云狀圖像的圖像面積之比是否超過設定閾值，若超過，將四個關鍵行之間限定的圖像作為經所述障礙物去除后的圖像，否則丟棄所述原始云狀圖像；

所述圖像增強為拉普拉斯增強；其中，圖像變換公式為：

；

其中，為處理前的原始圖像，為處理后的增強圖像，c為常數；

S2：對經過所述預處理后的云狀圖像進行異質化縮減處理；其中，所述異質化縮減處理為根據云狀圖像總體像素分布，對所有云狀圖像進行直方圖匹配；

S3：將經過所述異質化縮減處理后的云狀圖像輸入至訓練好的云狀圖像識別模型中進行識別，并得到相應的識別結果。

2.如權利要求1所述的基于異質化縮減的云狀圖像識別方法，其特征在于，所述云狀圖像識別模型訓練時，對訓練集中的云狀圖像依次進行所述預處理與所述異質化縮減處理后，還通過隨機擦除和隨機翻轉對訓練集中的云狀圖像進行圖像增廣；

其中，所述隨機擦除為：由兩個獨立均勻分布從，中分別采樣兩個點，得到擦除區域中心，再從均勻分布采樣得到擦除區域邊長；其中，擦除區域的范圍為，h為圖像高度，w為圖像寬度；

所述隨機翻轉為：每張圖片以設定的概率，進行左右翻轉操作。

3.如權利要求2所述的基于異質化縮減的云狀圖像識別方法，其特征在于，所述云狀圖像識別模型為EfficientNet分類網絡；而且，基于遷移學習的方式，根據超參數搜索結果，對EfficientNet-B0分類網絡的結構進行縮放得到所需的EfficientNet分類網絡，并根據所述EfficientNet分類網絡在ImageNet圖像數據集上的預訓練權重，對所述EfficientNet分類網絡進行初始化。

4.如權利要求3所述的基于異質化縮減的云狀圖像識別方法，其特征在于，初始化后的所述EfficientNet分類網絡利用所述訓練集，并基于ResTraining方式進行訓練，以得到所述云狀圖像識別模型；

其中，基于ResTraining方式進行訓練包括：采用Adam優化算法對所述EfficientNet分類網絡進行訓練，并在訓練過程中，記錄每一個epoch的驗證集性能指標，并實時更新保存性能好的k個權重，若連續n次性能沒有提升，則等概率地從所述k個權重，選擇權重進行加載，并重置學習率，得到云狀圖像識別模型。

5.一種基于異質化縮減的云狀圖像識別系統，其特征在于，包括：

預處理模塊，用于對原始云狀圖像進行預處理；其中，所述預處理包括障礙物去除和圖像增強，所述障礙物去除包括：

由原始云狀圖像四個邊界分別朝其相對的邊界，逐行地檢測每個像素點的RGB值；若行內有像素點的RGB值位于特定區間外，則進行下一行的檢測；若行內無像素點的RGB值位于特定區間外，則將該行作為關鍵行；其中，所述特定區間為天空和云層的RGB值區間；

若存在四個關鍵行，則判斷四個關鍵行之間限定的圖像面積與原始云狀圖像的圖像面積之比是否超過設定閾值，若超過，將四個關鍵行之間限定的圖像作為經所述障礙物去除后的圖像，否則丟棄所述原始云狀圖像；

所述圖像增強為拉普拉斯增強；其中，圖像變換公式為：

；

其中，為處理前的原始圖像，為處理后的增強圖像，c為常數；

異質化縮減模塊，用于對經過所述預處理后的云狀圖像進行異質化縮減處理；其中，所述異質化縮減處理為根據云狀圖像總體像素分布，對所有云狀圖像進行直方圖匹配；

云狀圖像識別模塊，用于根據訓練好的云狀圖像識別模型，對將經過所述異質化縮減處理后的云狀圖像進行識別，并得到相應的識別結果。